Diversity patterns of the Flora of Greece with applications in R
Όλα τα απαραίτητα αρχεία βρίσκονται στο github.
1 Πριν ξεκινήσουμε
Βεβαιώστε ότι το όνομα του project σας, όπως και το file path ΔΕΝ περιέχουν:
1. Ελληνικούς χαρακτήρες
2. κενά (αντικαταστήστε τα κενά με _)
Επί παραδείγματι το file path σας θα μπορούσε να είναι: C:/Environmental_Data_Analysis/Geographical_Data.
Όλα τα απαιτούμενα δεδομένα και αρχεία είναι ελεύθερα διαθέσιμα στο διαδίκτυο.
2 Φόρτωση βιβλιοθηκών
Ας φορτώσουμε όλες τις βιβλιοθήκες τις οποίες θα χρησιμοποιήσουμε σήμερα1.
## ===========================================================================##
## Load them
## ===========================================================================##
library(raster)
library(sf)
library(tidyverse)
library(ConR)
library(red)
library(rasterVis)
library(ggspatial)
library(picante)
library(caper)
library(phyloregion)
library(ggsflabel)
library(cowplot)
## ===========================================================================##3 Διανυσματικά δεδομένα
3.1 Σύνορα χωρών
Θα χρησιμοποιήσουμε τα διανυσματικά δεδομένα της Ιταλίας, όπως έχουμε κάνει και σε προηγούμενα εργαστήρια.
Θυμηθείτε ότι θα χρειαστεί να αλλάξετε το file path και να χρησιμοποιήσετε τα δεδομένα από το Github.
## ===========================================================================##
## Load the spatial data for Italian provinces
## ===========================================================================##
Italy <- read_sf("Italin provinces.shp") %>% st_transform(4326) %>% as_Spatial()
## ===========================================================================##
## ===========================================================================##
## Load the spatial data for Italian counties
## ===========================================================================##
Italian_counties <- read_sf("reg2011_g.shp") %>% mutate(NOME_REG = str_replace_all(NOME_REG,
c(`VALLE D'AOSTA/VALLÉE D'AOSTE\r\nVALLE D'AOSTA/VALLÉE D'AOSTE` = "AOSTA", `TRENTINO-ALTO ADIGE/SUDTIROL` = "TRENTINO",
`FRIULI VENEZIA GIULIA` = "FRIULI", `EMILIA-ROMAGNA` = "EMILIA"))) %>% st_transform(4326)
## ===========================================================================##
## ===========================================================================##
## Keep only the names in Trentino
## ===========================================================================##
Italy_sf_tr <- Italy %>% st_as_sf() %>% st_join(Italian_counties) %>% filter(str_detect(NOME_REG,
"TREN"))
## ===========================================================================##4 Δεδομένα θέσης
4.1 Διαδικτυακή βάση δεδομένων GBIF
Θα χρησιμοποιήσουμε τα δεδομένα θέσης για όλα τα φυτικά είδη τα οποία απαντώνται στην Ιταλία, τα οποία περιέχονται στην διαδικτυακή βάση δεδομένων GBIF και από τα οποία έχουμε αφαιρέσει τις όποιες προβληματικές καταγραφές. Θα χρειαστεί να καθαρίσουμε τα ονόματα των taxa και στη συνέχεια να κρατήσουμε μόνο τα έγκυρα ονόματα.
## ============================================================================##
## Load the biotic cleaned data
## ============================================================================##
data_it_cleaned <- readRDS("Italian data cleaned.rds")
## ============================================================================##
## ============================================================================##
## First load the excel file with the correct species names
## ============================================================================##
nms <- readxl::read_excel("italian_names.xlsx")
## ============================================================================##
## ============================================================================##
## Keep only one instance per taxon from our occurrence data
## ============================================================================##
nms_flags <- data_it_cleaned %>% distinct(scientificName) %>% mutate(Taxon = nms$scientificName,
action = nms$action) %>% as_tibble()
## ============================================================================##
## ============================================================================##
## Then create the coords for the correct taxa
## ============================================================================##
coords <- data_it_cleaned %>% full_join(nms_flags) %>% as_tibble() %>% filter(!str_detect(action,
"DEL")) %>% dplyr::select(decimalLongitude, decimalLatitude, Taxon)
clean_dts <- data_it_cleaned %>% full_join(nms_flags) %>% as_tibble() %>% filter(!str_detect(action,
"DEL")) %>% distinct(Taxon, .keep_all = T)
## ============================================================================##5 Αξιολόγηση κατά IUCN
Η αξιολόγηση του κινδύνου εξαφάνισης ενός είδους βασίζεται στην τυποποιημένη διαδικασία που έχει αναπτυχθεί από την Διεθνή Ένωση για την Προστασία της Φύσης (IUCN) και αποτελεί την πλέον αντικειμενική και αναλυτική προσέγγιση για την ανάδειξη αξόνων προτεραιότητας για την διατήρηση των ειδών και οικοτόπων. Ο Ερυθρός Κατάλογος των Απειλούμενων Ειδών ή IUCN Red List of Threatened Species παρέχει πληροφορίες σχετικά με την ταξινόμηση, την κατανομή, καθώς και το καθεστώς διατήρησης των φυτικών και ζωικών ειδών του πλανήτη μας, βάσει των κριτηρίων και των κατηγοριών της IUCN (IUCN Red List Categories and Criteria). Ο κύριος στόχος της διαδικασίας αυτής είναι να προσδιορίσει τον ενδεχόμενο κίνδυνο εξαφάνισης ενός είδους και κατά συνέπεια, να αναδείξει τα είδη εκείνα τα οποία χρήζουν άμεσης προτεραιότητας για την διατήρηση τους (Stévart et al., 2019).
Η δημιουργία ενός Ερυθρού Καταλόγου απαιτεί αξιόπιστα δεδομένα και προσεκτική εφαρμογή όλων των κριτηρίων της IUCN – μια διαδικασία η οποία είναι ιδιαίτερα χρονοβόρα. Το γεγονός αυτό αντανακλάται από το ότι υπάρχουν σημαντικά κενά στα έως τώρα αξιολογηθέντα είδη από την IUCN, καθώς μόλις 28.114 φυτικά είδη έχουν αξιολογηθεί μέχρι σήμερα. Το κενό αυτό είναι απόρροια της εξαιρετικά μεγάλης ποικιλότητας των φυτικών ειδών. Συνεπώς, παρότι η IUCN είναι κοντά στον στόχο που είχε θέσει, να έχει αξιολογήσει δηλαδή 38.500 φυτικά είδη έως το 2020 (Bachman et al., 2018), εντούτοις, ο αριθμός αυτός αποτελεί μόλις το 10% της φυτικής ποικιλότητας του πλανήτη και του δεύτερου στόχου της Παγκόσμιας Στρατηγικής για την Διατήρηση της Φυτικής ποικιλότητας (i.e., Global Strategy for Plant Conservation - περισσότερες πληροφορίες εδώ). Το γεγονός αυτό ώθησε την επιστημονική κοινότητα να προσπαθήσει να βρει τρόπους ώστε να επιταχύνει την διαδικασία αυτή.
6 Εκτίμηση κινδύνου εξαφάνισης - Εισαγωγικές έννοιες
Όπως είπαμε, μέχρι στιγμής έχει αξιολογηθεί ένα πολύ μικρό ποσοστό της έως τώρα γνωστής βιοποικιλότητας:
Η πλειονότητα των χωρών που αντιμετωπίζουν τα μεγαλύτερα προβλήματα όσον αφορά την κατάσταση διατήρησης των φυτικών taxa τα οποία φιλοξενούν εντοπίζονται στις λιγότερο αναπτυγμένες χώρες του πλανήτη:
Σε ευρωπαϊκό επίπεδο δε, γνωρίζουμε ότι η κατάσταση έχει προς το παρόν διαμορφωθεί ως εξής:
Όπου μπορούμε να διαπιστώσουμε ότι οι χώρες της Μεσογειακής λεκάνης και ιδιαίτερα η Ελλάδα, θεωρούνται θερμά σημεία κινδύνου εξαφάνισης:
Με την κυριότερη απειλή να είναι η εντατικοποίηση της βόσκησης
Όμως οι απειλές αυτές διαφέρουν τόσο μεταξύ των θερμών και των ψυχρών σημείων βιοποικιλότητας:
Όσο και στον χρόνο (για τα τελευταία 250 έτη τουλάχιστον):
Σύμφωνα με την IUCN, υπάρχουν 5 κατηγορίες κινδύνου εξαφάνισης2:
Ας τα δούμε πιο αναλυτικά:
Όσον αφορά δε την Ελλάδα:
